/ Модель

Характеристики

Лицензия
fair-noncommercial-research-license
Библиотека
timm
Опубликована
27 мая 2026

vit_small_patch16_dinov3_qkvb.eupe_lvd1689m

Эмбеддинги изображенийИзображение → embedding3 профессии

Компактный визуальный энкодер EUPE ViT-S извлекает признаки и эмбеддинги изображений для классификации и последующего анализа.

1 930скачиваний за 30 дней1лайквеса обновлены27 мая 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

timm/vit_small_patch16_dinov3_qkvb.eupe_lvd1689m — компактный визуальный энкодер EUPE ViT-S, распространяемый в библиотеке timm. Это Vision Transformer с патчами 16×16 и примерно 21,6 млн параметров; он предназначен для извлечения признаков и эмбеддингов изображений, а также может служить основой для классификации и анализа визуальных данных. Модель обучена методом Efficient Universal Perception Encoder на LVD-1689M с использованием прокси-учителя, дистиллированного из нескольких специализированных визуальных энкодеров.

При входном размере изображения 256×256 модель выдаёт классовый, регистрационные и патч-токены. В timm по умолчанию применяется усреднённый глобальный пуллинг; для соответствия исходной схеме с классовым токеном следует выбрать global_pool="token". Модель не описана как мультимодальная генеративная система и не принимает текст.

Лицензия FAIR Noncommercial Research License ограничивает коммерческое использование. Качество и пригодность для конкретной предметной области следует проверять отдельно; в README приведены результаты сравнительных оценок, но не гарантии на целевых данных.

Сценарии применения

  • извлечение эмбеддингов изображений для поиска по визуальной схожести
  • получение патч-признаков для анализа изображений
  • классификация изображений с обученной поверх энкодера головой
  • использование визуальных признаков в downstream-моделях компьютерного зрения

Ограничения

Лицензия FAIR Noncommercial Research License запрещает коммерческое использование. Для воспроизведения схемы пуллинга с классовым токеном в timm нужно явно задать global_pool="token"; пригодность признаков для конкретных данных требует проверки.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Model card for vit_small_patch16_dinov3_qkvb.eupe_lvd1689m

An EUPE Vision Transformer image feature encoder. Distilled on LVD-1689M using the Efficient Universal Perception Encoder method, from a proxy teacher distilled from multiple domain-expert foundation vision encoders.

Model Notes

  • EUPE ViT checkpoints expose class, register, and patch tokens. In timm, global pooling defaults to average pooling; pass global_pool="token" or use --gp token to follow the upstream class-token pooling convention.

Model Details

Model Usage

Image Classification

from urllib.request import urlopen
from PIL import Image
import timm

img = Image.open(urlopen(
    'https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/beignets-task-guide.png'
))

model = timm.create_model('vit_small_patch16_dinov3_qkvb.eupe_lvd1689m', pretrained=True)
model = model.eval()

# get model specific transforms (normalization, resize)
data_config = timm.data.resolve_model_data_config(model)
transforms = timm.data.create_transform(**data_config, is_training=False)

output = model(transforms(img).unsqueeze(0))  # unsqueeze single image into batch of 1

top5_probabilities, top5_class_indices = torch.topk(output.softmax(dim=1) * 100, k=5)

Feature Map Extraction

from urllib.request import urlopen
from PIL import Image
import timm

img = Image.open(urlopen(
    'https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/beignets-task-guide.png'
))

model = timm.create_model(
    'vit_small_patch16_dinov3_qkvb.eupe_lvd1689m',
    pretrained=True,
    features_only=True,
)
model = model.eval()

# get model specific transforms (normalization, resize)
data_config = timm.data.resolve_model_data_config(model)
transforms = timm.data.create_transform(**data_config, is_training=False)

output = model(transforms(img).unsqueeze(0))  # unsqueeze single image into batch of 1

for o in output:
    # print shape of each feature map in output
    # e.g.:
    #  torch.Size([1, 384, 16, 16])
    #  torch.Size([1, 384, 16, 16])
    #  torch.Size([1, 384, 16, 16])

    print(o.shape)

Image Embeddings

from urllib.request import urlopen
from PIL import Image
import timm

img = Image.open(urlopen(
    'https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/beignets-task-guide.png'
))

model = timm.create_model(
    'vit_small_patch16_dinov3_qkvb.eupe_lvd1689m',
    pretrained=True,
    num_classes=0,  # remove classifier nn.Linear
)
model = model.eval()

# get model specific transforms (normalization, resize)
data_config = timm.data.resolve_model_data_config(model)
transforms = timm.data.create_transform(**data_config, is_training=False)

output = model(transforms(img).unsqueeze(0))  # output is (batch_size, num_features) shaped tensor

# or equivalently (without needing to set num_classes=0)

output = model.forward_features(transforms(img).unsqueeze(0))
# output is unpooled, a (1, 261, 384) shaped tensor

output = model.forward_head(output, pre_logits=True)
# output is a (1, num_features) shaped tensor

Model Comparison

See the associated paper for details on the evaluation protocols.

ModelParamsIN1k-ZSIN1k-KNNTextVQASQARealworldPOPEGQAMMEpSPairNYUv2ADE20k
EUPE-ViT-T6M50.566.342.069.550.082.461.41258.037.20.57136.7
EUPE-ViT-S20M69.878.244.169.351.784.565.01304.946.50.45546.6
EUPE-ViT-B86M79.784.150.469.755.585.967.31374.551.30.39152.4

Citation

@misc{zhu2026eupe,
  title={Efficient Universal Perception Encoder},
  author={Zhu, Chenchen and Suri, Saksham and Jose, Cijo and Oquab, Maxime and Szafraniec, Marc and Wen, Wei and Xiong, Yunyang and Labatut, Patrick and Bojanowski, Piotr and Krishnamoorthi, Raghuraman and Chandra, Vikas},
  year={2026},
  eprint={2603.22387},
  archivePrefix={arXiv},
  primaryClass={cs.CV},
  url={https://arxiv.org/abs/2603.22387},
}
@article{dosovitskiy2020vit,
  title={An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale},
  author={Dosovitskiy, Alexey and Beyer, Lucas and Kolesnikov, Alexander and Weissenborn, Dirk and Zhai, Xiaohua and Unterthiner, Thomas and  Dehghani, Mostafa and Minderer, Matthias and Heigold, Georg and Gelly, Sylvain and Uszkoreit, Jakob and Houlsby, Neil},
  journal={ICLR},
  year={2021}
}
@misc{rw2019timm,
  author = {Ross Wightman},
  title = {PyTorch Image Models},
  year = {2019},
  publisher = {GitHub},
  journal = {GitHub repository},
  doi = {10.5281/zenodo.4414861},
  howpublished = {\url{https://github.com/huggingface/pytorch-image-models}}
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · timm · image-feature-extraction

Можно запустить

Подбираем GPU…

Ревизия весов
fac7d40

0 моделей